Program Bench

Resultados de evaluaciones comparativas de IA y rendimiento de modelos

Tipo: percentageCode

31.04%

2.50% - 77.80%

77.80% - Kimi K3

Puntuaciones a lo largo del tiempo

Puntuaciones individuales de la evaluación a lo largo del tiempo.

Resultados de modelos

Organización	Modelos	Fecha del resultado	Mejor puntuación	Información	Autodeclarado	Fuente
Moonshot	Kimi K3	16 jul 2026	77,80 %	KimiCode harness.	Sí	Fuente
DeepSeek	DeepSeek V4.1 Flash 1017	17 oct 2026	29,10 %	ProgramBench. Developer-reported percentage score (0–100), higher is better. DeepSeek-V4.1-Flash-1017 model card, release 2026-10-17, accessed 2026-10-17. Reasoning effort and any unlisted evaluation settings are not specified by this card.	Sí	Fuente
Meituan	LongCat 2.5	02 nov 2026	25,50 %	Program Bench, Almost Resolved; Claude Code harness v2.1.280; thinking enabled, temperature 1.0, top_p 0.95 unless stated; Meituan-reported in the LongCat-2.5 launch blog (accessed 2026-11-02)	Sí	Fuente
DeepSeek	DeepSeek V4.1 Flash	10 sept 2026	20,30 %	Instruct model; reasoning_effort=100; Almost@1	Sí	Fuente
Meituan	LongCat 2.0	30 jun 2026	2,50 %	Program Bench, Almost Resolved; Claude Code harness v2.1.280; thinking enabled, temperature 1.0, top_p 0.95 unless stated; Meituan-reported in the LongCat-2.5 launch blog (accessed 2026-11-02)	Sí	Fuente